第39卷 第6期2011年6月西北农林科技大学学报(自然科学版)Jo ur nal of N o rthwest A&F U niver sity(N at.Sci.Ed.)Vo l.39N o.6Jun.2011SPOT5遥感影像土地利用信息提取方法研究张伐伐a,李卫忠a,卢柳叶b,康 乐a(西北农林科技大学a林学院,b资源环境学院,陕西杨凌712100)[摘 要] 目的 探讨高分辨率遥感影像土地利用信息提取方法的优劣,为研究土地利用/覆盖动态变化提供参考。
方法 以结合纹理特征的支持向量机(Support vector machine,SV M)分类和多尺度分割的面向对象分类为主要技术,对陕西佛坪长角坝乡遥感影像的土地利用信息进行提取,并将分类结果与基于传统像元的最大似然法分类结果进行比较分析。
结果 面向对象分类法的总精度达到90.67%,较结合纹理特征的SV M法提高了8.34%,而与最大似然分类法相比提高了近20.32%,克服了其他分类方法存在的同谱异物现象及分类结果中地物破碎等缺点,取得了较好的分类结果。
结论 利用面向对象分类法不仅达到了提取土地利用信息的目的,而且精度高、速度快。
[关键词] 遥感影像;土地利用信息;支持向量机;纹理特征;多尺度分割;精度评价[中图分类号] S127[文献标识码] A[文章编号] 1671 9387(2011)06 0143 05 Study on extraction methods of land utilizationinformation based on SPOT5ZHAN G Fa fa a,LI Wei zhong a,LU Liu ye b,KANG Le a(a College of F or estry,b Colleg e of Resourc es and Env ironment,N or th w est A&F Univ ersity,Yang ling,S haanx i712100,China)Abstract: Objective T he study explored the effect of ex tracting approach for info rmatio n o f land uti lization based on high resolution remo te sensing im ag e to provide evidence for studying land utilization and cov er dynam ic variatio n. M ethod T his paper ex tracted the info rmation o f land utilizatio n focused on Changjiaoba to w n,using SVM classification o f tex ture feature and object or iented classification o f multi resolution seg mentatio n.The classification result w as compared w ith m ax imum likelihood classification. Then the classification result w as analyzed. Result T he ov erall classification accuracy o f object o riented w as90.67%,w hich incr eased by8.34%compared w ith SVM classification of tex ture feature and increased by20.32%com pared w ith m ax imum likelihoo d classificatio n.T his kind of classification not o nly can g et o v er the disadvantages of other classificatio ns,e.g.Spectral Similar and Ground object Fragm entations,etc. but also acquire good effectiveness. Conclusion Using the classification of object oriented can realize the purpose o f ex tracting the land utilization information,and this m ethod is accurate and fast.Key words:rem ote sensing im ag e;inform ation o f land uatilization;support v ector m achine;tex tur e fea ture;multiresolution segm entation;accuracy assessment土地利用信息的获取,是研究士地利用和土地覆盖动态变化的基础,将遥感、地理信息系统和全球定位系统相结合,开展国土资源和环境综合调查,具有现势性强、分类周期短、资源信息更新快等优势,从而可以以最快的速度动态监测土地资源利用及环境的变化情况,及时为社会经济发展决策和制定相关规*[收稿日期] 2010 11 29[基金项目] 国家林业局 948 项目(2009 4 45)[作者简介] 张伐伐(1985-),男,安徽怀远人,在读硕士,主要从事 3S 技术在资源与环境中的应用研究。
E mail:zhangfafa520@[通信作者] 李卫忠(1963-),男,陕西蒲城人,副教授,硕士生导师,主要从事森林经理学研究。
E m ail:w eizhong_li@划、计划提供科学依据[1]。
传统单纯的监督分类和非监督分类的精度较低,而新兴的分类方法,如潘东晓[2]和陈玉敏[3]等用基于神经网络的分类方法进行遥感图像的分类,虽然取得了较好的效果,但由于神经网络中固有的理论上的不足,以及网络结构和参数的选择没有充足的理论依据,并且在学习过程中易陷入局部极小点等问题,使得该方法对经验性因素的依赖较大[2 3],使其在遥感图像信息提取中的应用受到一定限制,因而很有必要建立更为准确、实用的遥感信息提取分类方法。
为此,本研究提出以结合纹理信息的支持向量机(SVM)遥感图像分类方法和多尺度分割的面向对象影像分析方法,对SPOT5影像进行了分类研究,并与传统基于像元的最大似然法分类结果进行了比较分析,旨在为遥感影像中土地利用/覆盖动态变化信息的提取提供参考依据。
1 研究区概况本研究以陕西省佛坪县长角坝乡为对象。
长角坝乡位于佛坪县城以北3km 处,是陕西省汉中市的北大门,于2001 12由原龙草坪乡和长角坝乡合并而成,全乡总面积为315km 2。
该乡地处秦岭山脉南麓,系典型的农业乡镇,大部分为高山地区,境内最高海拔2904m,最低海拔856m,天然林资源丰富,森林覆盖率达87.9%,是山茱萸、天麻、猪苓等名贵中药材的天然适生区。
长角坝乡的SPOT5影像如图1所示。
图1 陕西佛坪县长角坝乡的SPO T 5遥感影像F ig.1 SPOT 5imag e of Chang jiaoba tow n,Fo pingco unty ,Shaanx i pro vince2 材料与方法2.1 数据源研究区数据包括2008年SPOT5卫星遥感影像图、1 50000的纸质地形图、DEM 数据、森林资源二类调查数据(2005年)以及实地测得的GPS 数据。
研究工作平台建立在遥感数字图像处理软件(ENVI 4.7)和地理信息系统软件(ArcGIS 9.3)上。
2.2 数据预处理首先在ArcGIS 9.3中,对扫描的1 50000地形图进行配准,用配准好的地形图和DEM 数据在ENV I 4.7中对遥感图像进行几何正射校正,校正精度为0.28个像元,再将SPOT 5多光谱影像波段与全色波段进行融合(本研究采用保真度较高的Gram Schmidt 融合),以提高影像的分辨率,用获取的研究区域的行政边界矢量文件,在EN VI4.7中对遥感影像进行裁剪,最后采用直方图均衡化方法对图像进行增强处理,以抑制细小噪声。
2.3 基于结合纹理特征的支持向量机(SVM )遥感影像分类2.3.1 支持向量机(Suppo rt vector machine,SVM )原理 SVM 是一种基于统计学习理论的模式识别方法,其由Boser 等在COLT (Com putation al learning theory ) 92上首次提出,是一种比较好的实现了结构风险最小化思想的学习算法[4]。
该算法的主要目标是找到一个超平面,使其能够尽可能多地将2类数据点正确分开,同时使分开的2类数据点距离分类面最远。
其具体算法参见文献[5]。
2.3.2 纹理特征提取 在目前的图像纹理特征计算方法中,以H ar alick [6]提出的灰度共生矩阵法的应用最为广泛。
该方法通过对图像灰度级别之间联合条件概率密度P(i,j ,d, )的计算,用其表示纹理特征。
P (i,j ,d, )表示在给定空间距离d 和方向 时,以灰度i 为始点,出现灰度级为j 的概率。
本研究首先对长角坝乡SPOT5影像进行了主成分分析,第1主成分的方差贡献率为83.36%,其代表了影像4个波段的高频部分和低频部分,起到了降维和数据压缩的作用[7];然后利用灰度共生矩阵对第1主成分的纹理信息进行提取。
参考H aralick [6]提取的14种灰度共生矩阵的纹理统计量,本研究经过多次试验选择以下4种纹理量参与影像的分类:均值(M ean)、对比度(Contrast)、局部平稳度(H om o geneity)和熵(Entropy )。
2.3.3 分类样本的选取 根据研究区的土地利用特点,将研究区的地类划分为耕地、有林地(指树木郁闭度 0.2的乔木林地,包括红树林地和竹林地)、灌木林地(指灌木覆盖度 40%的林地)、其他林地(包括疏林地、未成林地、迹地、苗圃等林地)、建设用地、道路、水域和未利用地等8类。
利用GPS 实地选择典型样地进行采点,一共选取了800个样144西北农林科技大学学报(自然科学版)第39卷区,将其中的500个作为训练样本,另外300个作为检验样本,并对样本数据进行归一化处理。